自纠正噪声标签的人脸美丽预测

摘要

目的 人脸美丽预测是研究如何使计算机具有与人类相似的人脸美丽判断或预测能力，然而利用深度神经网络进行人脸美丽预测存在过度拟合噪声标签样本问题，从而影响深度神经网络的泛化性。因此，本文提出一种自纠正噪声标签方法用于人脸美丽预测。方法 该方法包括自训练教师模型机制和重标签再训练机制。自训练教师模型机制以自训练的方式获得教师模型，帮助学生模型进行干净样本选择和训练，直至学生模型泛化能力超过教师模型并成为新的教师模型，并不断重复该过程；重标签再训练机制通过比较最大预测概率和标签对应预测概率，从而纠正噪声标签。同时，利用纠正后的数据反复执行自训练教师模型机制。结果 在大规模人脸美丽数据库LSFBD（large scale facial beauty database）和SCUT-FBP5500数据库上进行实验。结果表明，本文方法在人工合成噪声标签的条件下可降低噪声标签的负面影响，同时在原始LSFBD数据库和SCUT-FBP5500数据库上分别取得60.8%和75.5%的准确率，高于常规方法。结论 在人工合成噪声标签条件下的LSFBD和SCUT-FBP5500数据库以及原始LSFBD和SCUT-FBP5500数据库上的实验表明，所提自纠正噪声标签方法具有选择干净样本学习、充分利用全部数据的特点，可降低噪声标签的负面影响，能在一定程度上降低人脸美丽预测中噪声标签的负面影响，提高预测准确率。